Supplement til Kreyszig
|
|
- Ida Holst
- 7 år siden
- Visninger:
Transkript
1 Supplemet til Kreyszig Forelæsigsoter til Matematik F Idholdsfortegelse side 1. Numerisk itegratio. Fejlvurderig af trapez og Simpso algoritmere 1. Dekompoerig af brøker (Laplace trasformatio) 3. Permutatioer og kombiatioer, teorem Moivre s sætig 5 5. χ -fordelig og Studet s t-fordelig 8 6. Cetral limit teoremet og ophobigslove Regressio ( Midste kvadraters metode ) 17 Jes Jese Ørsted Laboratoriet, NBIfAFG, December
2 Supplemet til Kreyszig 1 1. Numerisk itegratio. Fejlvurderig af trapez og Simpso algoritmere Kreyszig bestemmer fejle af trapezmetode til at være; (3 )i 17.5 (side 959 i 7. udgave), ɛ = h3 1 f (t) for det ite deliterval mellem x i og x i+1 = x i + h. Itervallets lægde er x = h og x i <t<x i+1.igræseh haves,atx i+1 x i = x og dɛ dx ɛ x = ɛ b h = h 1 f dɛ b (x) ɛ = dx h a dx 1 f (x)dx a og vi får dermed ɛ(trapez) = h 1 [f (b) f (a)] + O(h 3 ) (1.1) Korrektioere til dee fejlvurderig er af størrelsesordee h 3 (hvilket også gælder Kreyszig s resultater). I Simpsos tilfælde beyttes et. grads polyomium som tilærmelse for f(x) og afvigelse er, x x x, f(x) p (x) = 1 3! (x x )(x x 1 )(x x ) [ f (3) (x 1 )+ 1 4 (x x 1)f (4) (x 1 ) ] + O(h 5 ) De tredie afledede af vestre side er f (3) (x) og højre side af ligige giver f (3) (x 1 )+[x 1 4 (x +x 1 + x )]f (4) (x 1 )=f (3) (x 1 )+(x x 1 )f (4) (x 1 ). Idføres s =(x x 1 )/h fås ɛ = x x = h4 6 [f(x) p (x)]dx 1 (s +1)s(s 1)[ f (3) (x 1 )+ 1 4 hsf (4) (x 1 ) ] ds = h5 1 9 f (4) (x 1 ) Leddet proportioalt med h 4 forsvider ved itegratioe, og vi har derfor medtaget korrektioe til æste orde i h. Beyttes x = x x =h fås ved samme procedure som ovefor: ɛ(simpso) = h4 18 [f (b) f (a)] + O(h 5 ) (1.) Simpso algoritme er ikke som umiddelbart forvetet e 3. ordes, me e 4. ordes metode. De udledte udtryk for fejlee i de to tilfælde (1.1) og (1.) er lagt lettere at beytte og mere præcise ed Kreyszig s itervalafgræsiger af fejlee.
3 Supplemet til Kreyszig. Dekompoerig af brøker (Laplace trasformatio) I regiger med Laplace-trasformatioe sker det tit, at F (s) ereægte brudde ratioal fuktio, dvs. F (s) = P (s) Q m (s) hvor P (s) ogq m (s) erpolyomieris af te heholdsvis mte grad og <m (ægte). For at fide de iverse må F (s) dekompoeres til e sum af stambrøker: Beteger a i de m (ikl. komplekse) rødder i Q m (s), dvs. Q m (s) =K(s a 1 ) k (s a ) l,såerf(s) etydigt bestemt ved udtrykket b k F (s) = (s a 1 ) k + b k 1 (s a 1 ) k b (.1) s a 1 (s a ) l hvor kostatere i stambrøkeres tællere fides ved at sætte hele udtrykket på fælles brøkstreg med Q m i ævere og beytte, at dee brøks tæller skal være lig P (s). Er alle kostater i P (s) ogq (s) reelle vil evetuelle komplekse rødder optræde i kojugerede par, og d h (s α iβ) h + d h (s α + iβ) h = e h s + f h [(s α) + β ] h + + e 1 s + f 1 (s α) + β (.) dvs., at evetuelle komplekse led i (.1) ka erstattes med led svarede til højre side af ligig (.). Eksempel: F (s) = P 1 (s) Q 5 (s) = s 1 s (s )(s + s +1) = b s + b 1 s + c s + ds + e s + s +1 = (b + b 1 s)(s )(s + s +1)+cs (s + s +1)+(ds + e)s (s ) s (s )(s + s +1) Samles leddee i tællere for hver orde af s fås følgede ligiger: s 4 : b 1 + c + d = s 3 : b b 1 + c d + e = s : b b 1 + c e = s 1 : b b 1 =1 s : b = 1 b = 1 ; b 1 = 3 4 ; c = 8 1 d = 5 7 ; e = 1 7 Bemærk, at c ka bestemmes lagt lettere ved at gage brøkomskrivigere med s og derefter sætte s =, og tilsvarede for b (gag med s og sæt s =). 1 Beyttes omskrivige 7 5s +1 s + s +1 = 1 7 5(s + 1 ) 3 (s + 1 ) + 3 fås 4 f(t) =L 1 {F (s)} = 1 t et cos e t/( 34 t 3si 34 t ) NB: Mathematica dekompoerer brøker med kommadoe: Apart[brøk] c l
4 Supplemet til Kreyszig 3 3. Permutatioer og kombiatioer, teorem 3 Teorem 3 i.4 i 8. udgave af Kreyszig (teorem 4 i 3.3 i 7. udgave) lyder: Atallet af forskellige kombiatioer med k elemeter, der ka daes ud af forskellige elemeter, er ( ) ( ) + k 1 ude getagelser: med getagelser: k k Her vil vi gere bevise de sidste del af teoremet, ligig (4b). I dette tilfælde ka det ekelte elemet optræde fra til k gage i de forskellige kombiatioer. Læreboge foreslår at bevise sætige ved iduktio: Teoremet er korrekt for = 1 for e vilkårlig værdi af k: Der er ku de ee mulighed, at alle k elemeter er es. Teoremet atages korrekt for 1 elemeter (for e vilkårlig værdi af k), og skal med dee forudsætig vises at være gyldigt for elemeter: Vi starter med de 1 elemeter og daer alle mulige kombiatioer med k elemeter (med getagelser): ( ) 1+k 1 k. Til dette atal muligheder skal adderes dem, hvor det te elemet optræder 1 gag. Dette er lig med atallet af kombiatioer med k 1 elemeter valgt ud bladt de resterede 1elemeter: ( ) 1+k 1 1 k 1. Næste led er de kombiatioer, hvor det te elemet optræder to gage, og hvor der skal vælges k elemeter ud af de 1 elemeter osv., idtil vi år frem til, at alle k-elemeter er det te elemet. Dermed bliver det samlede atal kombiatioer: ( ) ( ) ( ) ( ) ( ) + k + k 3 + k k k 1 k 1 som ka omskrives til ( ) ( ) k +s k +s = s= s s= Beyttes ligig (13) i boge (med k erstattet med og øverste sum græse 1medk) fås, at summe er lig ( ) ( ) ( ) k k 1 + k 1 = = Q.E.D k Ligig (13), som beyttes i beviset, ka ige bevises ved iduktio samt brug af ligig (11) (regeøvelse-opgave).
5 Permutatioer og kombiatioer, teorem 3 4 Alterativt bevis for Teorem 3 Teorem 3 ka omformuleres til, at atallet af måder k kugler ka fordeles i kasser er ( ) + k 1 k hvis der ikke er begræsiger på hvor mage kugler, der ka være i de ekelte kasser (svarede til Bose-statistik). E kugle i e kasse betyder at dee kasse (elemet) er udtrukket. De kasser stilles på erække,ogdek (sorte) kugler fordeles, fx som vist i figur a), hvor = k = 1. De k kugler plus de 1 skillevægge betragtes uder et, agivet som hvide kugler i figur b). E vilkårlig kombiatio ka fides ved at udvælge k af de hvide kugler i b) til at være sorte kugler og de resterede til at være skillevægge. Et eksempel er vist i figur c). Her er der er 1 kugle i 1. kasse, i. kasse, 1 i 3. kasse, i 4. kasse, osv. Atallet af kombiatioer er derfor det samme som atallet af måder, vi ka udvælge k af de 1+k hvide kugler i b) til at være sorte kugler, hvilket etop er ( ) + k 1 k a) b) c)
6 Supplemet til Kreyszig 5 4. Moivre s sætig Sadsylighedstæthede for biomialfordelige: f(x) = ( ) p x q x (x =, 1,,) (4.1) x (q =1 p) ka betragtes i to græser: (I) For og p, således at λ = p holdes kostat går biomialfordelige mod Poisso-fordelige: Idføres λ ka f(x) skrives f(x) = ( 1) ( x +1) x λ x x! ( 1 λ ) ( λ) x 1 (4.) hvor ( 1) ( x +1) x =1 ( 1 1 ) x 1 ) ( 1 1 (4.3) for og ( λ) λ ( 1) λ ( 1)( ) λ 3 1 =1 + 1!! 3! 3 + =1 λ + ( 1 1 ) λ! ( 1 1 )( ) λ 3 1 3! + 1 λ + λ! λ3 + = e λ 3! Sidste faktor i (4.) går mod 1, dvs. (4.4) f(x) λx x! e λ for (4.5) som er Poisso-sadsylighedstæthede med middelværdi µ = λ. (II) Ud fra biomial-fordelige ka vi å frem til e kotiuert fordelig ved at fastholde p uder græseovergage.hervedgår middelværdie µ = p og spredige σ = pq begge mod. Dette ødvediggør e ormerig af de opridelige stokastiske variabel X, som erstattes med Z = X µ (4.6) σ Igræse bliver Z e kotiuert stokastisk variabel, og f(z =(x µ)/σ) går over i stadard ormalfordelige med middelværdie og spredige 1, dvs. f(z) φ(z), eller år x er heltallig, F (x) Φ(z =(x +.5 µ)/σ) svarede til ligig (11) på side 19 (1189) i 8. (7.) udgave af boge (De Moivre og Laplace s græseværdisætig).
7 Moivre s sætig 6 I beviset udyttes det, at det ku er opførsle af f(x) ietætomegafx = µ, der er afgørede, f(x) hvis x µ > rσ, hvorr er af størrelsesordee 5. Det betyder at omege relativt set, rσ/µ = r pq/p for,ogdermed at vi dels ka beytte Stirligs formel for alle faktorere i biomialkoefficiete, over x, og dels udytte e rækkeudviklig mht. /µ, hvor =x µ: Avedes Stirligs formel [ligig (7) side 167 (1163)] i (4.1) fås: π e f(x) πxx x e x π( x)( x) x e +x px q x = πx( x) ( ) p x ( q ) x (4.7) x x Rækkeudvikles kvadratrode til te orde i erstattes de af 1/ πpq. For det æste led fås: ( ) p x [ =exp x l ( µ ) ] [ =exp (µ + )l ( µ ) ] x x µ + hvor og dermed ( p x l ( µ µ + ) ( ) = l 1+ µ µ + 1 ) ] [ x exp [ =exp p x µ ( ) µ ] (x p) p (4.8) og helt aalogt ( ) q x exp [q ( x) x ] [ ] ( x q) =exp q q (4.9) Gager vi de to faktorer samme fås ( ) p x ( ) q x exp [ x x p + ] [ ] =exp (1 p) p(1 p) og år pq = p(1 p) erstattes med σ bliver slutresultatet f(x) 1 [ ] σ π exp (x µ) σ (4.1) som er gyldigt i græse µ = p 1. Det ka tilføjes, at beyttes samme fremgagsmåde ka det vises at sadsylighedstæthede for Poisso fordelige for store værdier af µ ka tilærmes med de ormale fordelig (4.1) med σ = µ. Bemærk, at boges tabel A6 over Poisso-fordelige ku medtager værdier af µ 5. For større værdier af µ ka ma beytte F (x) Φ((x +.5 µ)/ µ), år x er heltallig.
8 Moivre s sætig Figure viser sadsylighedstæthede for e biomialfordelig med p =.3 og = 5, og 4 (puktere) og de tilsvarede ormale fordeligstæthed (de kotiuerte kurver).
9 Supplemet til Kreyszig 8 5. χ -fordelig og Studet s t-fordelig χ -fordelige afhæger ku af atallet af frihedsgrader, og er defieret ved: Y = Ui (5.1) hvor U i,forhverti, er e uafhægig stokastisk variabel med e frekvesfuktio, som er de stadardiserede ormale fordeligstæthed: φ(u i )= 1 e u i / π Y er de stokastiske variabel svarede til χ (bemærk, at χ opfattes som e betegelse for e variabel y som er ikke-egativ). Fordeligsfuktioe F (χ ) er produktet af frekvesfuktioere (idbyrdes uafhægige stokastiske variable) itegreret over volumeet givet ved y = u i χ : F (χ )= du y χ 1 du du (π) e y/ (5.) Fuktioe, der skal itegreres, afhæger ku af r = y, som ka opfattes som radie af e -dimesioal kugle. Volumeet af de -dimesioal kugle er V = r C, hvor ehedskugles volume (se appedix) er C = π Γ(1 + ) (5.3) og Γ(1 + a) =aγ(a) er gammafuktioe. Volumeet V ka fides ved itegratio af overfladearealet S (r) =dv /dr = r 1 C mht. r. I ligig (5.) ka vi ude videre itegrere over alle de 1 frihedsgrader, der er uafhægige af y = r, hvilket giver: og dermed, at F (χ )= r= χ S (r)(π) e r / dr (5.4) f (χ )=F (χ )= df dr dr dχ = S ( χ ) (π) e χ / 1 = ( χ ) 1 π Γ(1 + e χ / 1 )(π) eller f (χ 1 ( ) )= χ 1 e χ / Γ( ) som er sadsylighedstæthede for χ -fordelige med frihedsgrader. χ χ (5.5) (5.6)
10 χ -fordelig og Studet s t-fordelig 9 Det ka vises, at middelværdie og variase af χ -fordelige er heholdsvis og : χ = χ f (χ )dχ = (5.7) σ (χ )= χ 4 χ = χ 4 f (χ )dχ = For at udlede teorem 3 i 3.3 (teorem 4 i 4.6) betragter vi de stokastiske størrelse S = 1 (X i µ) (5.8) hvor X i er ormalt fordelt med middelværdie µ og variase σ,ogdermeder S σ = ( ) Xi µ = Ui (5.9) σ beskrevet ved χ -fordelige med -frihedsgrader [højreside er de samme som i ligig (5.1)]. Idfører vi de stokastiske middelværdi X = 1 X i (5.1) ka (5.8) omskrives til S = [ (Xi X)+(X µ) ] = (X i X) + (X µ) (5.11) i i idet ligig (5.1) medfører, at produktet mellem de to led i de firkatede paretes summerer til. Dermed har vi, at S σ = ( Xi X σ ) ( ) X µ + σ/ (5.1) Ifølge 3.3 teorem 1 ( 4.6 teorem ) er X ormalfordelt med middelværdie µ og variase σ /, dvs.atsidsteledpå højre side af (5.1) etop er kvadratet på e stokastisk variabel, som har e stadardiserede ormalfordelig, og dermed, at dette led har e χ -fordelig med 1 frihedsgrad. Af defiitioe (5.1) fremgår det umiddelbart, at summe af to (uafhægige) χ -fordeliger med frihedsgradere 1 og er givet ved χ -fordelige med 1 + frihedsgrader. Det ka vises, at de to led på højre side af (5.1) er statistisk uafhægige (kovariase er ), hvoraf følger, at første led har e χ -fordelig med 1 frihedsgrader. De stokastiske variabel S defieres ved ligige: S = 1 ( Xi X ) σ ( ) Xi X = (5.13) 1 1 σ Sammeliges med (5.1) ses, at ( 1) S er e stokastisk variabel, som har e σ χ -fordelig med 1 frihedsgrader (teorem 3).
11 χ -fordelig og Studet s t-fordelig 1 Kofidesitervallet udledes ud fra P ( c 1 ( 1) S σ c ) = F (c ) F (c 1 )=γ (5.14) som er opfyldt med F (c 1 )=(1 γ)/ ogf (c )=(1+γ)/, hvor fordeligsfuktioe F er χ -fordelige med 1 frihedsgrader (tabel A1). For et ekelt udfald (stikprøve) atager S værdie s og eller hvor { CONF γ c1 ( 1) s σ c } CONF γ { 1 c s σ 1 c 1 s } (5.15a) s = 1 1 (x i x) ; x = 1 x i (5.15b) Dette resultat ka formuleres lidt aderledes. Vi ka direkte udytte at fordeligsfuktioe for S er faktore σ /( 1) gage χ -fordelige med 1 frihedsgrader, dvs.: og S = σ 1 χ σ (S )= S 4 S ( σ ) σ = (χ ) 1 1 = 1 = σ ( 1) = σ (5.16a) 1 σ 4 σ4 ( 1) = ( 1) 1 (5.16b) σ, ude argumet, er variase af de opridelige fordelig for X, ogerde størrelse vi forsøger at bestemme ud fra stikprøve samme med e vurderig af resultatets pålidelighed. Vi skal seere se ( the cetral limit theorem ), at år 1kaχ -fordelige tilærmes med ormalfordelige med samme middelværdi og varias. Dette ka udyttes til at sige, at hvis 1vil de stokastiske variabel S være beskrevet ved ormalfordelige med middelværdie σ og variase σ 4 /( 1), eller efter lidt regig CONF γ { s 1+c 1 σ s 1 c 1 } ; Φ(c )= γ +1 eller udtrykt på e mere foreklet, og tilærmet ( 1), måde: ; 1 (5.17a) σ s ± c 1 s (5.17b) hvor c =1.96, hvis vi beytter et 95% kofidesiveau.
12 χ -fordelig og Studet s t-fordelig 11 Studet s t-fordelig: Vi har etop betragtet de stokastiske variabel U = X µ σ/ hvor U er χ -fordelt med 1 frihedsgrad. For at vurdere pålidelighedsitervallet vedebestemmelseaf µ ud fra stikprøveværdie af variase betragter vi u istedet T = X µ S/ = U σ (5.18) S Ifølge (5.13) er S σ = Y p p hvor Y p har e χ -fordelig med p = 1 frihedsgrader. Dvs. vi har (5.19) T p = Y 1 Y p med Y 1 = U (5.) og dermed er fordeligsfuktioe G(t /p) for de stokastiske variabel T /p bestemt, som arealet af f 1 (y 1 )f p (y p )overområdet, hvor y 1 /y p t /p G(t /p) = y p = yp t /p y 1 = f 1 (y 1 )f p (y p )dy 1 dy p (5.1) Defiitioe af fordeligsfuktioer medfører, at G(t /p) =±[F t (t) F t ( t)], hvor + ( ) svarertilt positiv (egativ). Dermed ka t-frekvesfuktioe, f t (t) =F t(t), bestemmes som f t (t) =± d(t /p) dg(t /p) [ dt d(t =( t /p) f1 (y /p) 1 ) ] y1=ypt /p y pf p (y p )dy p (5.) og beyttes ligig (5.6) fås [ 1 f t (t) =( t /p) y 1 ] π 1 e y 1 / = t p π p t 1 p+1 Γ( p ) y 1 =y p t /p (y p ) p 1 e (1+ t p )y p/ dy p 1 y p p Γ( p )(y p ) p 1 e yp/ dy p hvor itegralet udreges til [ ] p+1 Γ( p+1 1+t /p ), og dermed slutresultatet (5.3) f t (t) = 1 Γ( p+1 ) (1+ t pπ Γ( p ) p ) p+1 (5.4)
13 χ -fordelig og Studet s t-fordelig 1 som er frekvesfuktioe for T i ligig (5.18) med p = 1. Hermed har vi udledt teorem i 3.3 (teorem 3 i 4.6). Idet frekvesfuktioe er lige, f t (t) =f t ( t), har vi at P ( c T = X µ S/ c) = F t (c) F t ( c) =F t (c) 1=γ (5.5) således at F t (c) =(1+γ)/, hvor F t er Studet s t-fordelig med 1 frihedsgrader (tabel A9). Kofidesitervallet er derefter bestemt ved CONF γ { c x µ s/ c } { eller CONF γ x cs µ x + cs } (5.6) E ærmere aalyse af χ og Studet s t fordeligere ka fides som Mathematica programmer på hjemmeside. Teorem 4 i 3.3 (teorem 5 i 4.6), det såkaldte Cetral limit theorem, fortæller at begge fordeliger ærmere sig ormalfordelige, år atallet af frihedsgrader vokser. Som ævt har χ - fordelige med frihedsgrader middelværdie µ = og variase σ =. For Studet s t-fordelig med p frihedsgrader fås: T = ; σ (T )= T T = p (p 3) (5.7) p Variase divergerer og er dermed ikke defieret for p = 1 og p =. Atager vi ige at 1, så betyder cetral limit teoremet at F t (c) Φ(c/σ(T )). Idføres c = c/σ(t )fås at σ(t ) 1, og dermed at c c igræsep = 1 1, og (5.6) ka tilærmes med { CONF γ x c s µ x + c s } ; Φ(c )= γ +1 ; 1 (5.8a) eller µ x ± c s (5.8b) Reultatet ka forbedres (ubetydeligt) ved at erstatte c med c = c 1 3. Bemærk, at år 1 er resultatet det samme, som hvis s ka erstattes med σ, svarede til teorem 1. Dvs., at i dee græse er usikkerhede på bestemmelse af σ ud fra s ude betydig for vurderige af hvor pålideligt µ bestemmes af x.
14 χ -fordelig og Studet s t-fordelig 13 Appedix Ehedskugles volume i dimesioer, C, ka bestemmes ved at udrege itegralet I = e (x 1 +x + +x) dx 1 dx dx (5.9) dels direkte, som et produkt af Gauss itegraler: e x dx = π I = π (5.3) dels ved at udytte at fuktioe uder itegraltegee ku afhæger af de radiære variabel r (x 1 + x + + x ) 1/. Volumeet af e -dimesioal kugle med radius r er r V (r) = dx 1 dx dx = S (r )dr = r C (5.31) og dermed dv = S (r)dr = r 1 C dr. Det betyder, at udføres alle de 1 itegratioer i (5.9), der er uafhægige af r, fås I = S (r) e r dr = r 1 C e r dr (5.3) 1 = C z 1 e z dz = C Γ( )=C Γ(1 + ) Ved at sammeholde de to resultater for I,fås C = π Γ(1 + ) (5.33)
15 Supplemet til Kreyszig Cetral limit teoremet og ophobigslove Vi skal supplere boge med ogle vigtige resultater. Vi vil starte med at betragte de momet-geererede fuktio, som idføres i.7 opgave 14( 3.5 opgave og 3.6 opgave 16 19): som har egeskabe: G(t) = e tx etx f(x)dx = e tx if(x i ) ( d X ) G(t) = dt i t= (6.1) For de to diskrete fordeliger, heholdsvis biomialfordelige (µ = p, σ = pq) og Poisso-fordelige, har vi fra boges opgaver, at G bi (t) =(pe t + q) og G P (t) =e µ e µet (6.) For Gauss-fordelige er: G(t) = e tx = 1 σ (x µ) ] π e[tx σ dx hvor ekspoete ka omskrives til og dermed, at tx (x µ) σ = µt + 1 σ t (x µ σ t) σ G(t) =e (µt+ 1 σ t ) 1 σ (x µ σ t) π e σ dx Gauss-itegralet er uafhægigt af at µ er erstattet af µ + σ t, og resultatet for de momet-geererede fuktio for ormalfordelige er: G(t) =e (µt+ 1 σ t ) (6.3) Geerelt har vi, at hvis Y er e liearkombiatio af to uafhægige stokastiske variable X 1 og X, Y = a 1 X 1 + a X så er de momet-geererede fuktio for y-fordelige produktet af de to momet-geererede fuktioer G 1 (a 1 t)ogg (a t)forx 1 -ogx -fordeligere: G y (t) = e ty = e ta 1X 1 e ta X = e ta 1X 1 e ta X = G 1 (a 1 t)g (a t) (6.4)
16 Cetral limit teoremet og ophobigslove 15 Disse to resultater, (6.3 og (6.4), ka beyttes til at eftervise teorem 1 i 3.3 (teorem 1 i 4.6): Summe af to uafhægige stokastiske variable, Y = X 1 +X, som begge har ormalfordeliger med middelværdi µ 1, µ og varias σ1, σ har ormalfordelige med µ = µ 1 + µ og σ = σ1 + σ. Ifølge (6.4) er G y (t) =G 1 (t)g (t) =e (µ 1t+ 1 σ 1 t) e (µ t+ 1 σ t) = e [(µ 1+µ )t+ 1 (σ 1 +σ )t ] (6.5) som er de momet-geererede fuktio for de agive y-fordelig. [ Idskud: Frekvesfuktioe for Y = X 1 + X,bestemtvedvilkårlige (kotiuerte) frekvesfuktioer, f 1 (x) ogf (x), ka skrives som et foldigsitegral: F (y) er produktet af de to frekvesfuktioer itegreret over arealet y = x 1 + x y eller x y x 1,dvs.: y x1 F (y) = f 1(x 1 )f (x )dx 1 dx = f 1(x 1 )F (y x 1 )dx 1 x 1 = x = eller f(y) =F (y) = f 1(x)f (y x)dx (6.6) Foldigsitegralet optræder fx år e resoaskurve, f 1 (x), udmåles med e eksperimetel usikkerhed beskrevet ved e opløsigsfuktio, R(x) = f (x) med µ =. Atages begge fuktioer at være (eller kue tilærmes med) Gauss-fuktioer, bliver resultatet e Gauss-fuktio cetreret omkrig µ 1 med variase σ1 + σ.] Vi har tidligere vist, at biomialfordelige for store værdier af ka tilærmes med ormalfordelige (med µ = p og σ = pq), og tilsvarede for Poissofordelige (for µ 5). Resultatere (6.3) og (6.4) ka u beyttes til at bevise de geerelle sætig the cetral limit theorem : Atag X i, i =1,..., er uafhægige stokastiske variable, som beskrives ved frekvesfuktioere f i (x i ) (der alle ka være forskellige) med middelværdi µ i og varias σi. De stokastiske variabel har følgede egeskaber: (i) Middelværdie er µ = Y = 1 (ii) Variase er σ = 1 i σ i Y = 1 X i (6.7) i µ i
17 Cetral limit teoremet og ophobigslove 16 (iii) Fordeligsfuktioe for Z = Y µ vil (asymptotisk) Φ(z) (de stadardiserede ormalfordelig) for σ. Bemærk, at teoremet i dee udgave er mere geerelt ed læreboges versio, teorem 4 i 3.3 (teorem 5 i 4.6). Puktere (i) og (ii) følger direkte af teorem 1 og i.9 ( 3.8). Pukt (iii) ka bevises ved at udytte (6.4), geeraliseret til led med a i =1/, dvs. G y (t) = G i (t/) E Taylor-rækkeudviklig af G i (t/) =G i () + G i ()(t/) +1 G i ()(t/) giver ærmest defiitiosmæssigt: ( ) t G i =1+µ i t + 1 (σ i + µ i ) t + =exp [ µ i t + 1 σ i og dermed, at for 1: G y (t) [ t exp µ i + 1 t ] [ 1 σ i =exp µ i t + 1 i t ] ( ) 1 + O 3 1 ] σi t som etop, ifl. (6.3), er de momet-geererede fuktio for ormalfordelige med middelværdi µ (i) og varias σ (ii). i Ophobigslove ka betragtes som et korrolar til the cetral limit theorem. Er Y e geerel fuktio af X i (i =1,...,) ka vi tilærmelsesvis erstatte fuktioe med et lieært udtryk i et område omkrig X i eres middelværdier: Y = ψ(x 1,...,X ) ψ ( X 1,..., X ) + ( ) ψ X i X j = X j ( Xi X i ) Hvis de forskellige variable har e Gauss-fordelig, eller hvis der er mage forskellige bidrag (usikkerhedsberegiger!), vil Y, ifl. heholdsvis (6.5) og (6.7), (tilærmelsesvis) have e ormalfordelig med middelværdie Y = ψ ( X 1,..., X ) (6.8a) og variase σ = i ( ) ψ X i X j = X j σ i (6.8b)
18 Supplemet til Kreyszig Regressio ( Midste kvadraters metode ) E stikprøvemålig af Y som fuktio af x giver talpar (x 1,y 1 ),..., (x,y ). Det atages, at der ikke er oge usikkerhed forbude med målige af x (almidelig variabel), mes Y er e stokastisk variabel der for e bestemt, fastholdt x-værdi har e ormalfordelig med middelværdie Y = µ(x) =κ + κ 1 x og variase σy. Fuktioe µ(x) kaldes for regressioskurve til Y som fuktio af x, heraf avet på de aalyse vi skal foretage. Variase σy atages at være uafhægig af x, ogviøskeratbestemmedeto kostater, κ og κ 1,udfrade talpar i stikprøve og at vurdere pålidelighede af resultatet, år de to parametre erstattes med de tilsvarede stikprøveværdier k og k 1. Idføres betegelse y i = k + k 1 x i (7.1) er opgave at bestemme k og k 1,således at værdiere y i y i for alle i. Maximum likelihood metode fører til resultatet, at de mest sadsylige værdier af de to parametre bestemmes ved at miimere summe af de kvadratiske afvigelser (yi y i ), dvs. ved at miimere fuktioe q = ( ) yi k k 1 x i (7.) mht. k og k 1. Miimumet er bestemt af ligigere: q = (y k i k k 1 x i )= q = (y k i k k 1 x i )x i = 1 eller k + k 1 xi = y i k xi + k 1 x i = (7.3) x i y i hvor alle summer går fra i =1tili =. Resultatet af dee midste kvadraters metode er, i overesstemmelse med 3.9 eller 18.5 ( 4.1 eller 19.5), D = x i ( ) xi x k = i yi x i xi y i D k 1 = x i y i x i yi D (7.4) De rette liiebestemt ( afdisseligiger går igeem måledataeres tygdepukt 1 (x T,y T )= xi, 1 ) yi,dvs.: y T = k + k 1 x T og y i = 1 yi = y T (7.5)
19 Regressio ( Midste kvadraters metode ) 18 Hvis vi erstatter y i i ligig (7.4) med de tilsvarede stokastiske variabel Y = Y i for x = x i har vi at de stokastiske variable (K og K 1 ) svarede til k og k 1 er fuktioer af de forskellige Y i, og vi ka beytte ophobigslove (6.8) til at bestemme stikprøveværdiere af variasere for κ og κ 1, som vi skal betege s (k )ogs (k 1 ). I e eksperimetel situatio vil stadardafvigelse af y i (σ y ) ofte være ukedt, me atager vi, at de er de samme for alle målepuktere (alle i) kadet vises, at (Y i Y i ) /σy har e χ -fordelige med frihedsgrader. Beviset beytter e omskrivig af [Y i µ(x i )] /σy helt parallelt med ligig (5.1). Frihedsgradere reduceres her med, fordi vi skal beytte to parametre, k og k 1, til at bestemme µ(x i ) ud fra stikprøve. Aalogt med (5.15), eller (5.17), har vi derfor at σ y s(y), hvor s (y) = 1 (y i y i ) ; y i = k + k 1 x i (7.6) Hvis vi øsker at vurdere, hvor stor e tiltro vi ka have til resultatet, er fremgagsmåde de samme som i ligigere (5.14) (5.17) med de eeste forskel at 1 skal erstattes med. Dvs. groft set (95% kofides) er σy s (y)[1 ± 8/( )], år er oget større ed 1. Efter at s(y) er bestemt ka ophobigslove (6.8) udyttes til at berege stikprøve-variase af k : eller xj s (k )= ( ) k s (y) = ( x j x ) i s (y) y i i D [ = ( ) x ( ) j xj x j + ( ) ] xj x s (y) j D s (k )= x j D s (y) (7.7) Helt aalogt ka variase af k 1 udreges til: s (k 1 )= D s (y) (7.8) Kofidesitervallere for κ og κ 1 ka herefter bestemmes på samme måde, som beyttet ved udregige af kofidesitervallet for µ, (5.5) (5.8). Parametere c, som agiver forholdet mellem de halve lægde af kofidesitervallet og stadardafvigelse, er givet ved Studet s t-fordelig med frihedsgrader: F t (c) = 1+γ (7.9)
20 Regressio ( Midste kvadraters metode ) 19 og derefter har vi, at CONF γ { k1 cs(k 1 ) κ 1 k 1 + cs(k 1 ) } (7.1) og det helt aaloge udtryk for κ. K og K 1 er ikke stokastisk uafhægige. Det er derimod tilfældet for K 1 og tygdepuktsværdie Y T =(1/) Y (x i )med de teoretiske middelværdi µ T =(1/) µ(x i ). Der ka derfor opås e bedre karakteristik af regressioskurve ved at beytte stikprøveværdiere k 1 og y T i stedet for k 1 og k. Kofidesitervallet for µ T er bestemt af samme Studet s t-fordelig (samme c) som ovefor, og idet y T =(1/) y i fås CONF γ { yt cs(y T ) µ T y T + cs(y T ) }, s(y T )= s(y) (7.11) Ma ka sige, at det er tilstrækkeligt at agive stikprøveværdiere af stadardafvigelsere, s(y), s(k ), s(k 1 ), og s(y T ), idet vurderigere af hvor godt σ y, κ, κ 1 og µ T er bestemt, med god tilærmelse, ka afledes af ormalfordelige, hvis 1. Dermed ved vi for eksempel, at c i (7.1) (7.11) er ca., hvis vi forlager 95% kofides, eller 1, hvis vi øjes med 68,6% kofides. Fremstillige ovefor ka geeraliseres på forskellige måder: I) Lieær regressio med polyomier af højere grad ed 1: Avedes midste kvadraters metode på e stikprøve, hvor regressioskurve er et adegrads polyomium y i = k + k 1 x i + k x i fås følgede ligigssystem: k + k 1 xi + k x i = y i k xi + k 1 x i + k x 3 i = x i y i (7.1) k x i + k 1 x 3 i + k x 4 i = x i y i se boges 18.5 ( 19.5 i 7. udgave). Bemærk, at udtrykket er lieært i regressiosparametree, k, k 1 og k. II) Hvis σ y = σ y (x)afhægerafxbetyder det, at de fuktio der skal miimeres for at bestemme de mest sadsylige værdier af k og k 1,er: q = ( ) yi y i = σ y (x i ) ( ) yi k k 1 x i (7.13) σ y (x i ) De geerelle, ikke-lieære regressiosmetode som præseteres edefor i pukt IV er avedelig i dette tilfælde. Her foretages miimerige ved iteratio. III) Lieær regressio i det tilfælde hvor både X og Y er stokastiske variable. Det atages at for e fastholdt værdi af parametere i vil X og Y være stokastisk uafhægige og begge ormalfordelte med middelværdiere µ x (i) og µ y (i) og
21 Regressio ( Midste kvadraters metode ) stadardafvigelsere σ x (i) ogσ y (i). Stadardafvigelsere atages uafhægige af i og vi idfører forholdet ξ = σ x /σ y. Regressioskurve atages lieær µ y = κ + κ 1 µ x, og udtrykt vha. stikprøveværdiere er opgave at fide de bedst mulige værdier af k og k 1 i ligige y i = k + k 1 x i (7.14) således at (x i, y i ) (x i,y i ) for alle i. I dette tilfælde er fuktioe der skal miimeres: ) ( ) yi y q = ( i xi x + i = 1 ( ) (y σ y σ x σy i k k 1 x i ) xi x + i ξ (7.15) Her er der + ubekedte størrelser k, k 1,ogx i (alle i). q ka miimeres mht. x i ved e geometrisk betragtig: trasformér til et koordiatsystem, hvor x erstattes af x/ξ, og bestem de korteste afstad mellem puktet (x i /ξ, y i )oget pukt (x i /ξ, y i )på de rette liie y i = k + ξk 1 x i /ξ. Resultatet er q(k,k 1 )=Mi [ q(k,k 1, x i )σ y Idføres følgede parametre: ] = 1 1+(ξk 1 ) (y i k k 1 x i ) (7.16) D αβ = α i β i α i βi ; α T = 1 αi (7.17) hvor α og β betyder ete x eller y, såerq(k,k 1 ) miimal år k 1 = 1 [ ] F ± 1+F ξ ; F = D xx ξ D yy ξd xy (7.18) k = y T k 1 x T Forteget fora kvadratrode er bestemt ved, at k 1 har samme forteg som D xy (og r). Bemærk at liie går geem tygdepuktet, se (7.5). Variasere udreges på samme måde som i (7.6) (7.8): s (y) = 1 s (k 1 )= D xx + ξ D yy D xy (y i k k 1 x i ) 1+(ξk 1 ) = k 1s (y) = k 1 1+a ar ( )[1 + (ξk 1 ) ] D yy [ r 1 ( a + 1 )] r a (7.19) s (k )=x T s (k 1 )+ 1 [1 + (ξk 1) ]s (y); s (x) =ξ s (y) Korrelatioskoefficiete ( 3.1 i 8. udgave af Kreyszig) er defieret r = s xy s x s y = D xy Dxx D yy og a = k 1 D xx D yy (7.)
22 Regressio ( Midste kvadraters metode ) 1 Vi ka skele mellem tre hovedtilfælde: i) (ξk 1 ) 1 k 1 = D xy ; ii) (ξk D 1 ) 1 k 1 = D yy ; eller xx D xy iii) (ξk 1 ) 1 k1 = D yy = k D 1 (i)k 1 (ii) ( geometrisk middelværdi ). xx Hvis korrelatioskoefficiete r ±1 bliver resultatet for regressiosliie uafhægigt af ξ og er dermed uafhægigt af om spredige skyldes usikkerhed på målige af x eller y eller af begge størrelser. Med de forudsætig, at der er e lieær sammehæg mellem x og y, ka vi omvedt slutte, at det er ku hvis r ikke er tæt på 1, at det er afgørede at vurdere om usikkerhede på x er betydede (ξ k 1 1) eller ej. I figurere edefor aalyseres måledatasættet (x, y) = (, 6), (4, 1), (6, 3), (1, 3), (1, 9), (14, 8), (16, ), (18, 11), (3, 11), og (5, 8). Korrelatioskoefficiete for disse 1 talsæt er r =.618 og de ederste figur viser resultatet år spredige alee skyldes usikkerhed på y, hvorimod de øverste viser resultatet år det atages, at usikkerhedere på x og y er lige betydede [tilfælde iii) ξk 1 = 1]. Begge regressiosliier går geem tygdepuktet (x T,y T )=(13, 6.), me har forskellige hældiger. Liiestykkere på hversideafmålepuktere har lægdere: s(x) = 5.8, s(y) =.45 i øverste figur og s(y) = 3.11 i ederste. Når stadardafvigelsere som her er bestemt af måleresultatere, vil regressioskurve skære liiestykkere omkrig målepuktere i ca. /3 af tilfældee k 1 =.48 s(k 1 ) =.41 k =.7 s(k ) = k 1 =.98 s(k 1 ) =.134 k =.34 s(k ) =
23 Regressio ( Midste kvadraters metode ) IV) Geerel, ikke-lieær regressio. Vi starter med forudsætigere, at vi har e stikprøve med talpar (x 1,y 1 ),..., (x,y ), hvor der ikke er oge usikkerhed forbude med x. Regressioskurve Y = µ(x) atagesatværeere geerel fuktio af x, specificeret ved hjælp af p parametre β 1,...,β p, Y = g(x; β 1,...,β p )=g(x; β) (7.14) hvor β beteger de p dimesioale vektor (β 1,...,β p ). Fuktioe, der skal miimeres er: ( ) yi g(x q = i ; β) (7.15) hvor s i er stadardafvigelse på målige af Y for x = x i (bestemt eksperimeteltellervurderetpå ade måde). Hvis der er mere ed et par parametre vil dette udtryk kue udvikle mage lokale miima, og det vil være svært at fide det rigtige, som ikke ødvedigvis er det absolutte miimumspukt. Metode aveder e iteratio, dvs. vi starter ud med at gætte e løsig β og derefter at udersøge opførsle af q i ærhede af dette pukt. For at gøre dette udyttes e rækkeudviklig af g(x i ; β) til første orde i β β, og følgede p matrix opstilles: {A} ij = g(x i ; β) (7.16) β j β=β og A T beteger de traspoerede matrix. For at opskrive resultatet skal vi idføre {L } ij = δ ij ; y = ( y 1 g(x 1 ; β ),y g(x ; β ),...,y g(x ; β ) ) (7.17) s i L er e (diagoal) matrix og y e dimesioal vektor. E bedre bestemmelse af miimumspuktet (i ærhede af β ) ka herefter fides ved at udrege: β = ( A T L A ) 1 AT L y (7.18) Er β = β et miimumspukt vil β være ulvektore. Hvis ikke, erstattes β med β + β og regige getages. Dette skema getages derefter idtil ma er ået frem til e tilfredsstillede iterativ løsig. I miimumspuktet er variase af de forskellige parametre bestemt ved: s i s (β i )={ ( A T L A ) 1 } ii (7.19) Hvis s i er kostat, s i = s(y), forekles regigere, idet L ka erstattes med ehedsmatrice, år blot det sidste resultat (7.19) multipliceres med s (y). Er s i ikke kedt på ade måde skal der gode argumeter til for ikke at atage e kostat stadardafvigelse. Accepteres dee atagelse ka s(y) bestemmes af stikprøve påheltaalogmåde som i det lieære tilfælde: s y (y) = (7.) p Bemærk, at vi må forlageat er større ed (eller til ød lig med) p, for at atallet af ubekedte ikke skal blive større ed det atal bidiger der er.
Den flerdimensionale normalfordeling
De flerdimesioale ormalfordelig Stokastiske vektorer Ved e stokastisk vektor skal vi forstå e vektor, hvor de ekelte kompoeter er sædvalige stokastiske variable. For de stokastiske vektor Y = Y,..., Y
Læs mereDefinition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0.
Repetitio: Normalfordelige Ladmåliges fejlteori Lektio Trasformatio af stokastiske variable - kkb@math.aau.dk http://people.math.aau.dk/ kkb/udervisig/lf13 Istitut for Matematiske Fag Aalborg Uiversitet
Læs mereSupplement til sandsynlighedsregning og matematisk statistik
Supplemet tl sadsylghedsregg og matematsk statstk 1. Bevs for lgg (4b) 22.4 ( 23.3) 8. (7.) udgave. Teorem 3 (4): Atallet af forskellge kombatoer med k elemeter, der ka daes ud af forskellge elemeter,
Læs merehvor i er observationsnummeret, som løber fra 1 til stikprøvestørrelsen n, X i
Normalfordeliger For at e stokastisk variabel X ka være ormalfordelt, skal X agive værdie af e eller ade målig, f.eks. tid, lægde, vægt, beløb osv. Notatioe er: Xi ~ N( μ, σ hvor i er observatiosummeret,
Læs mereElementær Matematik. Polynomier
Elemetær Matematik Polyomier Ole Witt-Hase 2008 Køge Gymasium Idhold 1. Geerelle polyomier...1 2. Divisio med hele tal....1 3. Polyomiers divisio...2 4. Polyomiers rødder....4 5. Bestemmelse af røddere
Læs mereSandsynlighedsfordelinger for kontinuerte data på interval/ratioskala
Statistik for biologer 005-6, modul 5: Sadsylighedsfordeliger for kotiuerte data på iterval/ratioskala M6, slide Gægse matematiske sadsylighedsfordeliger: Diskrete data: De positive biomialfordelig Poisso-fordelige
Læs merevejer (med fortegn). Det vil vi illustrere visuelt og geometrisk for (2 2)-matricer og (3 3)-matricer i enote 6.
enote 5 enote 5 Determiater I dee enote ser vi på kvadratiske matricer. Deres type er altså for 2, se enote 4. Det er e fordel, me ikke absolut ødvedigt, at kede determiatbegrebet for (2 2)-matricer på
Læs mereStatistik 8. gang 1 KONFIDENSINTERVALLER. Konfidensintervaller: kapitel 11. Valg og test af fordelingsfunktion
Statistik 8. gag 1 KONIDENSINTERVALLER Kofidesitervaller: kapitel 11 Valg og test af fordeligsfuktio Statistik 8. gag 11. KONIDENS INTERVALLER Et kofides iterval udtrykker itervallet hvori de rigtige værdi
Læs mereSpørgsmål 3 (5 %) Bestem sandsynligheden for at et tilfældigt valgt vindue har en fejl ved listerne, når man ved at der er fejl i glasset.
STATISTIK Skriftlig evaluerig, 3. semester, madag de 30. auar 006 kl. 9.00-3.00. Alle hælpemidler er tilladt. Opgaveløsige forsyes med av og CPR-r. OPGAVE Ved e produktio af viduer er der mulighed for,
Læs mereSætning: Middelværdi og varians for linearkombinationer. Lad X 1,X 2,...,X n være stokastiske variable. Da gælder. Var ( a 0 + a 1 X a n X n
Ladmåliges fejlteori Lektio 3 Estimatio af σ Dobbeltmåliger Geometrisk ivellemet Lieariserig - rw@math.aau.dk Istitut for Matematiske Fag Aalborg Uiversitet Repetitio: Middelværdi og Varias Sætig: Middelværdi
Læs mereAnvendt Statistik Lektion 3. Punkt- og intervalestimater Konfidensintervaller Valg af stikprøvestørrelse
Avedt Statistik Lektio 3 Pukt- og itervalestimater Kofidesitervaller Valg af stikprøvestørrelse Pukt- og itervalestimater: Motivatio Motiverede eksempel: I e udersøgelse er adele af rygere 0.27. Det aslås
Læs mereantal gange krone sker i første n kast = n
1 Uge 15 Teoretisk Statistik, 5. april 004 1. Store tals lov Eksempel: møtkast Koverges i sadsylighed Tchebychevs ulighed Sætig: Store tals lov. De cetrale græseværdisætig 3. Approksimatio af sadsyligheder
Læs mereStatistik ved Bachelor-uddannelsen i folkesundhedsvidenskab
Statistik ved Bachelor-uddaelse i folkesudhedsvideskab Græseværdisætiger Det hadler om geemsit Statistikere elsker geemsit Det er oplagt e god ide at tage geemsit. Hvis jeg f.eks skal gætte på vægte af
Læs mereMeningsmålinger KLADDE. Thomas Heide-Jørgensen, Rosborg Gymnasium & HF, 2017
Meigsmåliger KLADDE Thomas Heide-Jørgese, Rosborg Gymasium & HF, 2017 Idhold 1 Meigsmåliger 2 1.1 Idledig................................. 2 1.2 Hvorda skal usikkerhede forstås?................... 3 1.3
Læs mereDagens program. Estimation: Kapitel Eksempler på middelrette og/eller konsistente estimator (de sidste fra sidste forelæsning)
Dages program Estimatio: Kapitel 9.4-9.7 Eksempler på middelrette og/eller kosistete estimator (de sidste fra sidste forelæsig) Ko desiterval for store datasæt kap. 9.4 Ko desiterval for små datasæt kap.
Læs mereUndersøgelse af numeriske modeller
Udersøgelse af umeriske modeller Formål E del af målsætige med dette delprojekt er at give kedskab til de begræsiger, fejl og usikkerheder, som optræder ved modellerig. I de forbidelse er følgede udersøgelse
Læs mereStikprøvefordelinger og konfidensintervaller
Stikprøvefordeliger og kofidesitervaller Stikprøvefordelige for middelværdi De Cetrale Græseværdi Sætig Egeskaber Ved Estimatore Kofidesitervaller t-fordelige Estimator og estimat E stikprøve statistik
Læs mereMatematik A. Studentereksamen. Forberedelsesmateriale. Forsøg med digitale eksamensopgaver med adgang til internettet.
Matematik A Studetereksame Forsøg med digitale eksamesopgaver med adgag til iterettet Forberedelsesmateriale Vejledede opgave Forår 0 til stx-a-net MATEMATIK Der skal afsættes 6 timer af holdets sædvalige
Læs mereLøsningsforslag til skriftlig eksamen i Kombinatorik, sandsynlighed og randomiserede algoritmer (DM528)
Løsigsforslag til skriftlig eksame i Kombiatorik, sadsylighed og radomiserede algoritmer (DM58) Istitut for Matematik & Datalogi Syddask Uiversitet Madag de 3 Jauar 011, kl. 9 13 Alle sædvalige hjælpemidler
Læs mereTest i to populationer. Hypotesetest for parrede observationer Test for ens varians Gensyn med flyskræk!
Test i to populatioer Hypotesetest for parrede observatioer Test for es varias Gesy med flyskræk! Afhægige og uafhægige stikprøver Ved e uafhægig stikprøve udtages e stikprøve fra hver gruppe.. Mæd og
Læs merePraktisk info. Statistisk analyse af en enkelt stikprøve: kendt eller ukendt varians Sandsynlighedsregning og Statistik (SaSt) I tirsdags.
Praktisk ifo Liste med rettelser og meigsforstyrrede trykfejl i DS på Absalo. Statistisk aalyse af e ekelt stikprøve: kedt eller ukedt varias Sadsylighedsregig og Statistik (SaSt) Helle Sørese Projekt
Læs mereØkonometri 1. Inferens i den lineære regressionsmodel 29. september Økonometri 1: F7 1
Økoometri 1 Iferes i de lieære regressiosmodel 9. september 006 Økoometri 1: F7 1 Dages program Opsamlig af hemmeopgave om Mote Carlo eksperimeter Mere om hypotesetest: Ekelt lieær restriktio på koefficieter
Læs mereDiskrete og kontinuerte stokastiske variable
Diskrete og kotiuerte stokastiske variable Beroulli Biomial fordelig Negativ biomial fordelig Hypergeometrisk fordelig Poisso fordelig Kotiuerte stokastiske variable Uiform fordelig Ekspoetial fordelig
Læs mereMotivation. En tegning
Motivatio Scatter-plot at det mådelige salg mod det måedlige reklamebudget. R: plot(salg ~ budget, data = salg) Økoometri Lektio Simpel Lieær Regressio salg 400 450 500 550 20 25 30 35 40 45 50 budget
Læs mereEstimation ved momentmetoden. Estimation af middelværdiparameter
Statistik og Sadsylighedsregig 1 STAT kapitel 4.2 4.3 Susae Ditlevse Istitut for Matematiske Fag Email: susae@math.ku.dk http://math.ku.dk/ susae Estimatio ved mometmetode Idimellem ka det være svært (eller
Læs mereProjekt 9.1 Regneregler for stokastiske variable middelværdi, varians og spredning
Hvad er matematik? Projekter: Kaitel 9 Projekt 9 Regeregler for stokastiske variable middelværdi, varias og sredig Projekt 9 Regeregler for stokastiske variable middelværdi, varias og sredig Sætig : Regeregler
Læs mereVelkommen. Program. Statistik og Sandsynlighedsregning 2 Sandsynlighedstætheder og kontinuerte fordelinger på R. Praktiske ting og sager
Program Statistik og Sadsylighedsregig 2 Sadsylighedstætheder og kotiuerte fordeliger på R Helle Sørese Uge 6, madag Velkomme I dag: Praktiske bemærkiger Hvad skal vi lave på SaSt2? Sadsylighedstætheder
Læs mereØkonometri 1. Definition og motivation. Definition og motivation. Dagens program. Den multiple regressionsmodel 15. februar 2006
Dages program Økoometri De multiple regressiosmodel 5. februar 006 Emet for dee forelæsig er de multiple regressiosmodel (Wooldridge kap 3.-3.3+appedix E.-E.) Defiitio og motivatio Fortolkig af parametree
Læs mere9. Binomialfordelingen
9. Biomialfordelige 9.. Gekedelse Hvert forsøg ka ku resultere i to mulige udfald; succes og fiasko. I modsætig til poissofordelige er atallet af forsøg edeligt. 9.. Model X : Stokastisk variabel, der
Læs mere24. januar Epidemiologi og biostatistik. Forelæsning 1 Uge 1, tirsdag. Niels Trolle Andersen, Afdelingen for Biostatistik.
Epidemiologi og biostatistik. Forelæsig Uge, tirsdag. Niels Trolle Aderse, Afdelige for Biostatistik. Geerelt om kurset: - Formål - Forelæsiger - Øvelser - Forelæsigsoter - Bøger - EpiBasic: http://www.biostat.au.dk/teachig/software
Læs mereProjekt 4.8 De reelle tal og 1. hovedsætning om kontinuerte funktioner
Projekter: Kapitel 4 Projekt 48 De reelle tal og hovedsætig om kotiuerte fuktioer Projekt 48 De reelle tal og hovedsætig om kotiuerte fuktioer Kotiuitet og kotiuerte fuktioer Ord som kotiuert og kotiuerlig
Læs mereStatistiske Modeller 1: Notat 1
Statistiske Modeller : Notat Jes Ledet Jese 9. august 005 Idhold Kast med k-sidet terig Betigig i multiomialfordelig 3 3 Fordelig af X + X - frembrigede fuktio 4 4 Maksimerig af log-likelihood 5 5 Afledede
Læs mereSandsynlighedsregning 9. forelæsning Bo Friis Nielsen
Dages eer afsit 5.3 og 5.4 Siultae kotiuerte fordeliger P(X dx,y dy f(x,ydxdy Sadsylighedsregig 9. forelæsig Bo Friis Nielse Mateatik og Coputer Sciece Daarks Tekiske Uiversitet 8 Kgs. Lygby Daark Eail:
Læs mereKvantitative metoder 2
Dages program Kvatitative metoder De multiple regressiosmodel 6. februar 007 Emet for dee forelæsig er de multiple regressiosmodel (Wooldridge kap 3.- 3.+appedix E.) Defiitio og motivatio Fortolkig af
Læs mereProgram. Middelværdi af Y = t(x ) Transformationssætningen
Program Statistik og Sadsylighedsregig 2 Trasformatio af kotiuerte fordeliger på R, flerdimesioale kotiuerte fordeliger, mere om ormalfordelige Helle Sørese Uge 7, osdag I formiddag: Opfølgig på trasformatiossætige
Læs mereStatistiske test. Efteråret 2010 Jens Friis, AAU. Hjemmeside :
Statistiske test Efteråret 00 Jes Friis, AAU Hjemmeside : http://akaaudk/jfj Kotiuerte fordeliger Defiitio: Tæthedsfuktio E sadsylighedstæthedsfuktio på R er e itegrabel fuktio f : R [0; [ hvor f d = Defiitio:
Læs mereSandsynlighedsteori 1.2 og 2 Uge 5.
Istitut for Matematiske Fag Aarhus Uiversitet De 27. jauar 25. Sadsylighedsteori.2 og 2 Uge 5. Forelæsiger: Geemgage af emere karakteristiske fuktioer og Mometproblemet afsluttes, og vi starter på afsittet
Læs mereLøsninger til kapitel 7
Løsiger til kapitel 7 Opgave 7.1 a) HpoStat giver resultatet: Pop. varias er ukedt, me 30, så Normalf. bruges approksimativt = 54,400 s 1.069,90 = 00,000 0,95 49,868 58,93 Dette betder, at med 95% sikkerhed
Læs mere1 Punkt- og intervalestimation Punktestimatorer: Centralitet(bias) og efficiens... 2
Idhold 1 Pukt- og itervalestimatio 2 1.1 Puktestimatorer: Cetralitet(bias) og efficies.................... 2 2 Kofidesiterval 3 2.1 Kofidesiterval for adel................................ 4 2.2 Kofidesiterval
Læs mereGenerelle lineære modeller
Geerelle lieære modeller Regressiosmodeller med é uafhægig itervalskala variabel: Y e eller flere uafhægige variable: X,..,X k De betigede fordelig af Y givet X,..,X k atages at være ormal med e middelværdi,
Læs mereSimpel Lineær Regression. Opsplitning af variationen Determinations koefficient Variansanalyse F-test Model-kontrol
Simpel Lieær Regressio Opsplitig af variatioe Determiatios koefficiet Variasaalse F-test Model-kotrol Opbgig af statistisk model Specificer model Ligiger og atagelser Estimer parametre Modelkotrol Er modelle
Læs mereAnalyse 1, Prøve maj 2009
Aalyse, Prøve 5. maj 009 Alle hevisiger til TL er hevisiger til Kalkulus (006, Tom Lidstrøm). Direkte opgavehevisiger til Kalkulus er agivet med TLO, ellers er alle hevisiger til steder i de overordede
Læs mereStatistik Lektion 7. Hypotesetest og kritiske værdier Type I og Type II fejl Styrken af en test Sammenligning af to populationer
Statistik Lektio 7 Hpotesetest og kritiske værdier Tpe I og Tpe II fejl Strke af e test Sammeligig af to populatioer 1 Tri I e Hpotesetest E hpotesetest består af 5 elemeter: I. Atagelser Primært hvilke
Læs mereStatistik Lektion 8. Parrede test Test for forskel i andele Test for ens varians Gensyn med flyskræk!
Statistik Lektio 8 Parrede test Test for forskel i adele Test for es varias Gesy med flyskræk! Afhægige og uafhægige stikprøver Ved e uafhægig stikprøve udtages e stikprøve fra hver gruppe.. Mæd og kviders
Læs mereSandsynlighedsregning 9. forelæsning Bo Friis Nielsen
Dages eer afsit 5.3 og 5.4 Siultae kotiuerte fordeliger P(X dx,y dy = f(x,ydxdy Sadsylighedsregig 9. forelæsig Bo Friis Nielse Mateatik og Coputer Sciece Daarks Tekiske Uiversitet 8 Kgs. Lygby Daark Eail:
Læs mereHovedpointer fra SaSt
Hovedpoiter fra SaSt Marti Nørgaard Peterse 13. februar 2018 Følgede geemgår udvalgte begreber fra E Itroduktio til Sadsylighedsregig af M. Sørese (9. udgave), Itroductio to Likelihood-based Estimatio
Læs mereMatematikkens mysterier - på et obligatorisk niveau. 7. Ligninger, polynomier og asymptoter
Matematikkes mysterier - på et obligatorisk iveau af Keeth Hase 7. Ligiger, polyomier og asymptoter Hvad er e asymotote? Og hvorda fides de? 7. Ligiger, polyomier og asymptoter Idhold 7.0 Idledig 7.1 Udsag
Læs mereNoter om kombinatorik, Kirsten Rosenkilde, februar 2008 1. Kombinatorik
Noter om ombiatori, Kirste Roseilde, februar 008 Kombiatori Disse oter er e itrodutio til ombiatori og starter helt fra bude, så e del af det idledede er siert edt for dig allerede, me der ommer også hurtigt
Læs mere29. januar Epidemiologi og biostatistik Forelæsning 2 Uge 1, torsdag 2. februar 2006 Michael Væth, Afdeling for Biostatistik.
Epidemiologi og biostatistik Forelæsig Uge 1, torsdag. februar 006 ichael Væth, Afdelig for Biostatistik. Sammeligig af to middelværdier sikkerhedsitervaller statistisk test Sammeligig af to proportioer
Læs mereIndholdsfortegnelse Generelt Diskrete stokastiske variable: Kontinuerte stokastiske variable: Regneregler for stokastiske variable
Idholdsfortegelse Geerelt:...3 Stokastisk variabel:...3 Tæthedsfuktio/sadsylighedsfuktio for stokastisk variabel:...3 Fordeligsfuktio/sumfuktio for stokastisk variabel:...3 Middelværdi:...4 Geemsit:...4
Læs mereBaggrundsnote til sandsynlighedsregning
Baggrudsote til sadsylighedsregig Kombiatorik. Multiplikatiospricippet E mægde beståede af forskellige elemeter kaldes her e -mægde. Elemetere i e m-mægde og elemetere i e -mægde ka parres på i alt m forskellige
Læs mereNoter om polynomier, Kirsten Rosenkilde, Marts Polynomier
Noter om polyomier, Kirste Rosekilde, Marts 2006 1 Polyomier Disse oter giver e kort itroduktio til polyomier, og de fleste sætiger æves ude bevis. Udervejs er der forholdsvis emme opgaver, mes der til
Læs mereAsymptotisk optimalitet af MLE
Kapitel 4 Asymptotisk optimalitet af MLE Lad Y 1, Y 2,... være uafhægige, idetisk fordelte variable med værdier i et rum (Y,K). Vi har givet e model (ν θ ) θ Θ for fordelige af Y 1 (og dermed også for
Læs mereSupplerende noter II til MM04
Supplerede oter II til MM4 N.J. Nielse 1 Uiform koverges af følger af fuktioer Vi starter med følgede defiitio: Defiitio 1.1 Lad S være e vilkårlig mægde og (X, d et metrisk rum. E følge (f af fuktioer
Læs mereProjekt 1.3 Brydningsloven
Projekt 1.3 Brydigslove Når e bølge, fx e lysbølge, rammer e græseflade mellem to stoffer, vil bølge ormalt blive spaltet i to: Noget af bølge kastes tilbage (spejlig), hvor udfaldsvikle u er de samme
Læs merecos(t), v(t) = , w(t) = e t, z(t) = e t.
Aalyse Øvelser Rasmus Sylvester Bryder. og. oktober 3 Bevis for Cotiuity lemma Theorem. Geemgås af Michael Staal-Olse. Bevis for Lemma.8 Dee har vi faktisk allerede vist; se Opgave 9.5 fra Uge. Det er
Læs mere13. februar Resumé: En statistisk analyse resulterer ofte i : Et estimat ˆ θ med en tilhørende se( ˆ θ )
3. februar 003 Epidemiologi og biostatistik. Uge, torag d. 3. februar 003 Morte Frydeberg, Istitut for Biostatistik. Type og type fejl Nogle specielle metoder: Test i RxC tabeller Test i x tabeller Fishers
Læs mereMaja Tarp AARHUS UNIVERSITET
AARHUS UNIVERSITET Maja Tarp AARHUS UNIVERSITET HVEM ER JEG? Maja Tarp, 4 år Folkeskole i Ulsted i Nordjyllad Studet år 005 fra Droiglud Gymasium Efter gymasiet: Militæret Australie Startede på matematik
Læs mereVejledende opgavebesvarelser
Vejledede opgavebesvarelser 1. Atal hæder er lig med K(52,5), altså 2598960. Ved brug af multiplikatiospricippet ka atal hæder med 3 ruder og 2 spar udreges som K(13, 3) K(13, 2), hvilket giver 22308.
Læs mere30. august Epidemiologi og biostatistik. Forelæsning 3 Uge 2, torsdag d. 8. september 2005 Michael Væth, Afdeling for Biostatistik.
30. august 005 Epidemiologi og biostatistik. Forelæsig 3 Uge, torag d. 8. september 005 Michael Væth, Afdelig for Biostatistik. Mere om kategoriske data Test for uafhægighed I RxC tabeller Test for uafhægighed
Læs mereKvadratisk 0-1 programmering. David Pisinger
Kvadratisk - programmerig David Pisiger 27-8 MAX-CUT problemet Givet e ikke-orieteret graf G = (V, E) er MAX-CUT problemet defieret som MAX-CUT = {< G > : fid et sit S, T i grafe G som maksimerer atal
Læs mereDATV: Introduktion til optimering og operationsanalyse, 2007. Bin Packing Problemet
DATV: Itroduktio til optimerig og operatiosaalyse, 2007 Bi Packig Problemet David Pisiger, Projektopgave 2 Dette er de ade obligatoriske projektopgave på kurset DATV: Itroduktio til optimerig og operatiosaalyse.
Læs mereog Fermats lille sætning
Projekter: Kaitel 0. Projekt 0. Modulo-regig, restklassegruer og Fermats lille sætig Projekt 0. Modulo-regig, restklassegruere ( { 0 }, ) og Fermats lille sætig Vi aveder moduloregig og restklasser mage
Læs mereDeskriptiv teori: momenter
Kapitel 13 Deskriptiv teori: mometer Vi vil i dette og det følgede kapitel idføre e række begreber der bruges til at beskrive sadsylighedsmål på (R, B). Samtlige begreber udspriger i e eller ade forstad
Læs mereDen hurtige Fouriertransformation. Jean Baptiste Joseph Fourier ( )
De hurtige Fouriertrasformatio Jea Baptiste Joseph Fourier (768-83) Polyomier Polyomium: p + 2 3 4 ( x) = 5 + 2x + 8x + 3x 4x Geerelt: p(x) = eller! " i= a i x i p(x) = a + a x + a 2 x 2 +!+ a! x! 2 Evaluerig
Læs mereUge 37 opgaver. Opgave 1. Svar : Starter med at definere sup (M) og inf (M) :
Uge 37 opgaver Opgave Svar : a) Starter med at defiere sup (M) og if (M) : Kigge u på side 3 i kompedie og aveder aksiom (.3) Kotiuitetsaksiomet A = x i x 2 < 2 Note til mig selv : Har søgt på ordet (iequalities)
Læs mereKonfidens intervaller
Kofides itervaller Kofides itervaller for: Kofides iterval for middelværdi, varias kedt Kofides iterval for middelværdi, varias ukedt Kofides iterval for adel Kofides iterval for varias Bestemmelse af
Læs mereProgram. Ensidet variansanalyse Normalfordelingen. Antibiotika og nedbrydning af organisk materiale. Tegninger
Faculty of Life Scieces Program Esidet variasaalyse Normalfordelige Claus Ekstrøm E-mail: ekstrom@life.ku.dk Esidet variasaalyse (oe-way ANOVA) Hvilke type data? Hvad er problemstillige? Variatio mellem
Læs mereGamle eksamensopgaver. Diskret Matematik med Anvendelser (DM72) & Diskrete Strukturer(DM504)
Gamle eksamesopgaver Diskret Matematik med Avedelser (DM72) & Diskrete Strukturer(DM504) Istitut for Matematik& Datalogi Syddask Uiversitet, Odese Alle sædvalige hjælpemidler(lærebøger, otater etc.), samt
Læs mereSTATISTIKNOTER Simple normalfordelingsmodeller
STATISTIKNOTER Simple ormalfordeligsmodeller Jørge Larse IMFUFA Roskilde Uiversitetsceter Februar 1999 IMFUFA, Roskilde Uiversitetsceter, Postboks 260, DK-4000 Roskilde. Jørge Larse: STATISTIKNOTER: Simple
Læs mereStudyGuide til Matematik B.
StudyGuide til Matematik B. OVERSIGT. Dee study guide ideholder følgede afsit Geerel itroduktio. Emeliste. Eksame. Bilag 1: Udervisigsmiisteriets bekedtgørelse for matematik B. Bilag 2: Bilag 3: Uddrag
Læs mereGeorg Mohr Konkurrencen Noter om uligheder. Søren Galatius Smith
Georg Mohr Kokurrece Noter om uligheder Søre Galatius Smith. juli 2000 Resumé Kapitel geemgår visse metoder fra gymasiepesum, som ka bruges til at løse ulighedsopgaver, og ideholder ikke egetligt yt stof.
Læs mereNogle Asymptotiske Resultater. Jens Ledet Jensen Matematisk Institut, Aarhus Universitet. 1 Indledning 1
Nogle Asymptotiske Resultater Jes Ledet Jese Matematisk Istitut, Aarhus Uiversitet Idhold Idhold i Idledig 2 Resultater i et geerelt set-up 7 2. Eksistes af et kosistet estimat............... 7 2.2 Asymptotisk
Læs mereLængde [cm] Der er frit vandspejle i sandkassen. Herudover er sandkassen åben i højden cm i venstresiden og 0-20 cm i højresiden.
Vadtrasportmodel Formål For beregig af vadtrasporte i sadkasse er der lavet e boksmodel. Formålet med boksmodelle er at beskrive vadtrasporte i sadkasse. Herover er formålet at bestemme de hydrauliske
Læs mereVejledende besvarelser til opgaver i kapitel 15
Vejledede besvarelser til opgaver i apitel 5 Opgave a) De teststatistier, ma aveder til at teste om to middelværdier er es, består af et estimat på forselle mellem middelværdiere,, divideret med et udtry
Læs mereSandsynlighedsteori 1.2
Forelæsigsoter til Sadsylighedsteori.2 Sved Erik Graverse Jauar 2006 Istitut for Matematiske Fag Det Naturvideskabelige Fakultet Aarhus Uiversitet. Mometproblemet. I dette afsit beteger X e stokastisk
Læs mereTeoretisk Statistik, 9. februar Beskrivende statistik
Uge 7 I Teoretisk Statistik, 9 februar 004 Beskrivede statistik Kategoriserede variable 3 Kvatitative variable 4 Fraktiler for ugrupperede observatioer 5 Fraktiler for grupperede observatioer 6 Beliggeheds-
Læs mereLys og gitterligningen
Fysik rapport: Lys og gitterligige Forfatter: Bastia Emil Jørgese.z Øvelse blev udført osdag de 25. jauar 202 samme med Lise Kjærgaard Paulse 2 - Bastia Emil Jørgese Fysik rapport (4 elevtimer), februar
Læs mereNoter om kombinatorik, Kirsten Rosenkilde, februar Kombinatorik
Noter om ombiatori, Kirste Roseilde, februar 008 Kombiatori Disse oter er e itrodutio til ombiatori og starter helt fra bude, så e del af det idledede er siert edt for dig allerede, me der ommer også hurtigt
Læs mereMatematisk Modellering 1 Hjælpeark
Matematisk Modellerig Hjælpeark Kaare B. Mikkelse 2005090 3. september 2007 Idhold Formler 2 2 Aalyse af k ormalfordelte prøver 2 2. Modelcheck............................................ 2 2.2 Test af
Læs mereBjørn Grøn. Analysens grundlag
Bjør Grø Aalyses grudlag Aalyses grudlag Side af 4 Idholdsfortegelse Kotiuerte og differetiable fuktioer 3 Differetial- og itegralregiges udviklig 5 3 Hovedsætiger om differetiable fuktioer 8 Opgaver til
Læs mereNoter om Kombinatorik 2, Kirsten Rosenkilde, februar
Noter om Kombiatori, Kirste Roseilde, februar 008 1 Kombiatori Disse oter itroducerer ogle cetrale metoder som ofte beyttes i ombiatoriopgaver, og ræver et grudlæggede edsab til ombiatori (se fx Kombiatori
Læs mereSkitse til notat om hvor de forskellige sandsynlighedsfordelinger kan tænkes at komme fra
E6 efterår 1999 Notat 8 Jørge Larse 12. oktober 1999 Skitse til otat om hvor de forskellige sadsylighedsfordeliger ka tækes at komme fra I statistik opererer ma i vid udstrækig med et lille atal»stadardfordeliger«.
Læs mereOpsamling. Lidt om det hele..!
Opsamlig Lidt om det hele..! Kursus oversigt Hvad har vi været igeem: Deskriptiv statistik Sadsyligheder Stokastiske variable diskrete og kotiuerte Fordeliger Estimatio Test Iferes Sammeligig af middelværdier
Læs mereIntroduktion til uligheder
Itroduktio til uligheder Dette er e itroduktio til ogle basale uligheder om det aritmetiske geemsit, det geometriske geemsit, det harmoiske geemsit og det kvadratiske geemsit. Først skal vi ved fælles
Læs mereAsymptotisk estimationsteori
Kapitel 5 Asymptotisk estimatiosteori De fleste eksperimeter har e idbygget størrelse, som regel kaldet eller N. Dette repræseterer typisk atallet af foretage måliger, atallet af udersøgte idivider, atallet
Læs mereTankegangskompetence. Kapitel 9 Algebraiske strukturer i skolen 353
Takegagskompetece Hesigte med de følgede afsit er først og fremmest at skabe klarhed over de mere avacerede regeregler i skole og give resultatet i de almee form, der er karakteristisk for algebra. Vi
Læs mereMikroøkonomi, matematik og statistik Eksamenshjemmeopgave 14. 20. december 2007
Mikroøkoomi, matematik og statistik Eksameshjemmeopgave 14. 20. december 2007 Helle Buzel, Tom Egsted og Michael H.J. Stæhr 14. december 2007 R E T N I N G S L I N I E R F O R E K S A M E N S H J E M M
Læs mereFUNKTIONER del 1 Funktionsbegrebet Lineære funktioner Eksponentialfunktioner Logaritmefunktioner Rentesregning Indekstal
FUNKTIONER del Fuktiosbegrebet Lieære fuktioer Ekspoetialfuktioer Logaritmefuktioer Retesregig Idekstal -klassere Gammel Hellerup Gymasium November 08 ; Michael Szymaski ; mz@ghg.dk Idholdsfortegelse FUNKTIONSBEGREBET...
Læs mereMOGENS ODDERSHEDE LARSEN. Komplekse tal
MOGENS ODDERSHEDE LARSEN Komplekse tal a b. udgave 004 FORORD Dette otat giver e kort idførig i teorie for komplekse tal, regeregler, røddere i polyomier bl.a. med heblik på avedelser ved løsig af lieære
Læs mereEstimation og test i normalfordelingen
af Birger Stjerholm Made Samfudlitteratur 07 Etimatio og tet i ormalfordelige Dee tekt ideholder et overblik over ogle grudlæggede pricipper for etimatio og tet i ormalfordelige i hyppigt forekommede ituatioer:
Læs mereDATV: Introduktion til optimering og operationsanalyse, 2007. Følsomhed af Knapsack Problemet
DATV: Itroduktio til optimerig og operatiosaalyse, 2007 Følsomhed af Kapsack Problemet David Pisiger, Projektopgave 1 Dette er de første obligatoriske projektopgave på kurset DATV: Itroduktio til optimerig
Læs mereTests for forskel i central tendens for data på ordinal- og intervalskala. Typer af statistiske test:
Statistik for biologer 005-6, modul 7: Tests for forskel i cetral tedes for data på ordial- og itervalskala M7, slide M7, slide Typer af statistiske test: Parametrisk statistik: - Tester for forskel i
Læs mereog Fermats lille Projekt 0.4 Modulo-regning, restklassegrupperne sætning ..., 44, 20,4,28,52,... Hvad er matematik? 3 ISBN
Projekt 0.4 Modulo-regig, restklassegruppere sætig ( p 0, ) og Fermats lille Vi aveder moduloregig og restklasser mage gage om dage, emlig år vi taler om tid, om hvad klokke er, om hvor lag tid der er
Læs merex-klasserne Gammel Hellerup Gymnasium
SANDSYNLIGHEDSREGNING OG KOMBINATORIK x-klassere Gammel Hellerup Gymasium Idholdsfortegelse SANDSYNLIGHEDSREGNING... 3 SANDSYNLIGHEDSFELT... 3 DE STORE TALS LOV... 4 Sadsyligheder og frekveser:... 4 STOKASTISK
Læs mereMatematik A. Højere handelseksamen. Tirsdag den 26. maj 2015 kl hhx151-mat/a
Matematik A Højere hadelseksame hhx151-mat/a-26052015 Tirsdag de 26. maj 2015 kl. 9.00-14.00 Matematik A Prøve består af to delprøver. Delprøve ude hjælpemidler består af opgave 1 til 5 med i alt 5 spørgsmål.
Læs mereKOMPLEKSE TAL x-klasserne Gammel Hellerup Gymnasium
KOMPLEKSE TAL x-klassere Gammel Hellerup Gymasium Idholdsfortegelse E kort historie om imagiært og virkeligt... Tallegemet De Komplekse Tal... Idførelse af realdel og imagiærdel samt i... 8 Subtraktio,
Læs mereSTATISTISK MODELLERING OG ANALYSE 19. DECEMBER 2008 ET MAT3-PROJEKT I BAYESIANSK INFERENS VEJLEDER: JAKOB G. RASMUSSEN GRUPPE: G4-115
STATISTISK MODELLERING OG ANALYSE ET MAT3-PROJEKT I BAYESIANSK INFERENS 19. DECEMBER 2008 θ x VEJLEDER: JAKOB G. RASMUSSEN GRUPPE: G4-115 INSTITUT FOR MATEMATISKE FAG Istitut for Matematiske Fag Fredrik
Læs mereKOMPLEKSE TAL x-klasserne Gammel Hellerup Gymnasium
KOMPLEKSE TAL x-klassere Gammel Hellerup Gymasium Februar 09 ; Michael Symaski ; m@ghg.dk Idholdsfortegelse E kort historie om imagiært og virkeligt... Tallegemet De Komplekse Tal... Idførelse af realdel
Læs mere